Zo voer je een orkest van AI-agents uit in een gewone chat

Wanneer je overstapt van één AI-assistent in je code-editor naar meerdere autonome agents, loop je al snel tegen een controleprobleem aan. Agents beginnen achtergrondprocessen te spawnen, verbruiken tokens, en wanneer er iets misgaat, breken ze stilletjes de omgeving ergens in de diepten van Docker. Het wordt nog erger wanneer je ze toegang moet geven tot API-sleutels of GitHub: een persoonlijke token overhandigen aan een script dat code genereert en zelf uitvoert, is, om het mild te zeggen, stressvol.

Onlangs stuitte ik op het AgentTeams-project van het AgentScope-team. Het is een runtime-platform dat neurale netwerk-agents verpakt in een uniforme teamomgeving op basis van het Matrix-protocol. In plaats van abstracte achtergrond-daemons krijg je een gewone messenger waar jij, een manager-agent en gespecialiseerde worker-agents allemaal in dezelfde chat zitten.

Wat is het architectuuridee

AgentTeams probeert niet zijn eigen engine te bedenken voor het uitvoeren van LLMs of nog een wrapper over prompts te schrijven. Het project werkt als een container-orchestrator. Het hele systeem is gebouwd rond het Manager-Workers-concept:

1. De manager ontvangt je high-level taken, breekt ze op in subtaken en wijst ze toe aan specifieke workers.
2. Workers voeren taken uit in geïsoleerde omgevingen.
3. De Matrix-messenger dient als de uniforme bus voor alle berichten.

Als gevolg daarvan zie je абсолютно alle correspondentie tussen agents. Als een worker van het spoor afwijkt, schrijf je ze gewoon in de chat @alice измени логику валидации en pas je de koers direct aan, zonder de hele keten opnieuw te hoeven starten.

Zonder toegang tot echte sleutels

Het hoofdprobleem met de meeste autonome agents is beveiliging. Om een agent een Pull Request te laten maken op GitHub of een third-party API aan te roepen, geef je meestal de bijbehorende geheimen direct door in omgevingsvariabelen.

De AgentTeams-ontwikkelaars hebben dit opgelost via een ingebouwde Higress AI Gateway. Het interactieschema ziet er zo uit:

• De worker ontvangt alleen een tijdelijke consumer-token.
• Alle externe verzoeken naar LLM-API's, GitHub of MCP-servers gaan via de gateway.
• Echte API-sleutels en persoonlijke tokens worden opgeslagen binnen de gateway en bereiken worker-containers nooit.

Zelfs als de code binnen een worker probeert omgevingsvariabelen te lezen en te versturen, zal deze alleen het lokale gateway-toegangs-token vinden.

Verschillende Runtimes in één kamer

Een interessant kenmerk van het platform is de mogelijkheid om verschillende typen agents te combineren in één ruimte. Momenteel worden drie runtimes ondersteund:

• OpenClaw op Node.js voor tool calling en taakcoördinatie.
• QwenPaw op Python, gericht op lichte taken en browser-automatisering.
• Hermes voor autonoom code schrijven met een geïsoleerde terminal-sandbox-omgeving.

Dit biedt voldoende flexibiliteit. Je kunt een deterministische OpenClaw-agent aanwijzen als groepsleider en Hermes aansluiten voor het schrijven en debuggen van code. Agents communiceren met elkaar via ingebouwde mentions en een gedeelde MinIO-bestandsopslag. Het bestandssysteem bespaart aanzienlijk op context window: agents geven geen grote stukken code of logs direct door in berichtteksten, maar plaatsen links naar bestanden in de opslag.

Hoe het intern is gestructureerd

Architecturally wordt AgentTeams geleverd als een set van onderling verbonden services:

• Controller is verantwoordelijk voor resource-levenscyclus en declaratieve configuratie.
• Higress AI Gateway beheert verkeer en slaat autorisatiegegevens op.
• Tuwunel en Element Web bieden Matrix-server en webclient-functionaliteit.
• MinIO slaat door agents gegenereerde artefacten op.

Docker is voldoende voor het uitvoeren van het platform in lokale modus. Minimale systeemvereisten zijn 2 CPU-cores en 4 GB RAM. Als je van plan bent om 3-4 workers tegelijk te draaien, kun je beter rekenen op 8 GB RAM of meer.

Installatie wordt gestart met één commando:

bash <(curl -sSL https://raw.githubusercontent.com/agentscope-ai/AgentTeams/main/install/agentteams-install.sh)

Het script vraagt om een sleutel naar de gekozen LLM-provider (elk OpenAI-compatibel eindpunt werkt), configureert lokale services en geeft een link naar Element Web op http://127.0.0.1:18088.

Voor serieuzere installaties heeft het project een officieel ondersteunde Helm-chart voor Kubernetes. Bij implementatie op K8s kun je workers en teams direct definiëren via Custom Resource Definitions (CRDs) in de stijl van bekende manifests.

helm install agentteams higress.io/agentteams \
  -n agentteams-system --create-namespace \
  --set credentials.llmApiKey=<your-api-key> \
  --set credentials.adminPassword=<your-admin-password> \
  --set gateway.publicURL=http://localhost:18080

Voordat de controller wordt gestart, voert Helm automatisch een preflight-check uit: het stuurt een korte testaanvraag naar het opgegeven model om de installatie onmiddellijk te laten mislukken als de API-sleutel ongeldig is of de limieten zijn uitgeput.

Indrukken en oordeel

Het project ziet er fris uit tegen de achtergrond van eindeloze console-scripts. Het concept van het gebruiken van een klassieke messenger in plaats van nóg een webdashboard blijkt onverwacht handig te zijn, vooral omdat je vanaf elke mobiele client zoals FluffyChat of Element Mobile verbinding kunt maken met Matrix.

De nadelen zijn de hardwarevereisten: het draaien van een hoop containers samen met MinIO en de gateway kost snel geheugen op een lokale machine. Als je een eenvoudige assistent nodig hebt voor hints in je IDE, is AgentTeams duidelijk overkill.

Maar voor teams die proberen een volledige pipeline van meerdere AI-developers te bouwen en niet hun API-sleutels willen lekken of de controle willen verliezen over wat er gebeurt, is het zeker de moeite waard om dit tool te bekijken.